ZLab发布PlantPTM：面向植物蛋白质翻译后修饰预测的AI平台

ZLab陈震、豆根生、李俊周团队合作在《Molecular Plant》在线发表论文“PlantPTM: A deep learning framework integrating protein language models with multi-view features for predicting diverse post-translational modification sites in plants”。该研究首次建立面向多植物物种、多修饰类型的统一深度学习预测框架，为大规模植物功能蛋白质组学研究提供了可扩展的计算平台。

蛋白质翻译后修饰通过改变蛋白质构象、活性、稳定性与亚细胞定位，广泛参与植物生长发育、逆境应答和信号转导。研究团队整合多个公共数据库和文献数据，汇集211,535条蛋白质上的657,623个修饰位点，覆盖拟南芥、水稻、玉米、小麦、大豆和番茄，以及N-糖基化、S-酰化、磷酸化、泛素化等9类修饰。

PlantPTM采用多编码器、特征融合与预测解码三层架构。CNN捕获局部序列模式，BiGRU建模长程依赖，ProtBert提取蛋白质语言模型表征，手工特征编码器进一步融合PSSM与one-hot信息，随后通过自注意力机制完成多视角特征加权。

在独立测试集上，PlantPTM在9类修饰任务中的平均AUROC达到0.8640，N-糖基化预测AUROC达到0.9699。与25种现有工具相比，模型在各类任务上的AUROC提升2.90%–19.08%，平均提升15.46%。留一物种验证与水稻质谱数据测试进一步表明，模型对未见物种具有良好泛化能力，并具备实验数据支持。

团队同步上线PlantPTM免费预测服务，支持序列批量提交、候选位点置信度排序与结果可视化。未来平台将持续扩展修饰类型和物种数据，并进一步整合蛋白质结构与功能注释，为作物抗逆设计、分子育种和植物合成生物学提供AI工具。